墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2k累计阅读
2.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
本文内容、开发板及配件仅限用于学校或科研院所开展科研实验!
本文介绍GNU Radio中的生成噪声信号相关模块。
在开始介绍之前，首先推荐一下Alexandros-Apostolos A. Boulogeorgos作者的https://github.com/aboulogeorgos/Wireless-communication-systems-Lab，这里作者分享了大量的GRC实例，但是我看目前关注的人数很少。我也是看了这个之后，被作者整理汇总工作的细致程度深深打动，下定决心一口气读完了作者分享的所有实例。
我打算在接下来一段时间里，首先把作者分享的实例，加上我个人的理解，继续丰富一下内容（例如XX模块中的参数的含义解释，以及XX模块的功能解释等等），然后，也把我这几年来搜集到的、自己改写的一些GNU Radio实例分享给大家，希望能够对关注、使用GNU Radio的朋友有所帮助。也欢迎大家有问题及时反馈给我，或者有好的实例，一起分享给大家。
目录
从零开始USRP+GNURADIO系列（Boulogeorgos实例章节二+信号调制总结）
从零开始USRP+GNURADIO系列（Boulogeorgos实例章节二+信号调制总结）
一起玩转GNU Radio：gr-analog
本文介绍GNU Radio源码的gr-analog相关实例及模块。
一起玩转GNU Radio：gr-filter
本文内容、开发板及配件仅限用于学校或科研院所开展科研实验!
LimeSDR官方系列教程（六）：使用Pothos和GNU Radio接收ASK/OOK信号
本文内容、开发板及配件仅限用于学校或科研院所开展科研实验!
从FM广播到5G信号：用魔改版PlutoSDR玩转全频段接收（附GNU Radio配置）
本文详细介绍了如何通过魔改PlutoSDR解锁AD9364模式（70MHz-6GHz），实现从FM广播到5G信号的全频段接收。包含固件升级、GNU Radio配置、天线优化等实战技巧，帮助无线电爱好者低成本构建高性能SDR接收系统。
gr-grnet:GNURadio TCPUDP 源和接收块用 C++Boost 重写。 UDP 块也有 headercrc 选项可用
gr-grnet GNURadio TCP 和 UDP 源和接收器块使用 Boost 用 C++ 完全重写。 UDP 块有一些额外的标头选项，也可以选择启用： 报头/CRC 无（原始字节流） 64 位序列号（可用于源/宿块之间以检测丢弃的数据包） 64 位序列号 + 16 位数据大小 CHDR（64 位） IPv6 新增内容：已将 IPv6 支持添加到块中。 任何块都可以使用 IPv4 或 IPv6 IP 并对其进行适当处理。 也可以使用名称而不仅仅是 IP 地址，如果名称解析为 IPv6，地址将被透明处理。 建造 该模块需要 zlib 用于 UDP 模块中的 crc32 计算和 libpcap 用于 PCAPUDPSource 块。 如果它不存在，您可以使用“apt-get install zlib1g-dev libpcap-dev”安装它们。 构建非常标准： mkd
当GO.db安装失败时，生物信息学新手应该知道的5个底层逻辑
本文为生物信息学新手提供了解决GO.db安装失败的5个关键底层逻辑，包括网络连接与镜像源设置、版本兼容性检查、依赖关系管理、SQLite存储机制理解以及调试技巧。特别针对Bioconductor的GO.db包安装问题，详细介绍了如何通过切换国内镜像、管理版本冲突和解决依赖问题来成功安装，帮助用户高效克服常见安装障碍。
【无人机对抗】基于matlab无人机红蓝对抗仿真【含Matlab源码 4436期】
无人机红蓝对抗仿真 完整代码，包运行；可提供运行操作视频！适合小白！
Echarts之风力风速玫瑰图
风力风速玫瑰图前言改进之路代码如下总结导出与导入 前言 今天上班收到任务，我们老大让我研究一下这个“风速风向玫瑰图”，还说这个是百度的雷达图的变异体，于是乎我直接找的雷达图，但是雷达图没有这种柱形的，都是点线，然后我又找了好久，最后突然在echarts官网上面看到了图1-2，才终于有了思路，原来这个图不是雷达图的变异体，而是极坐标系下的堆叠柱状图，于是就开始我的“改进”之路了。 图1-1 改进之路...
CMap数据库实战：从基因表达谱到药物重定位的可视化分析
本文详细介绍了如何利用CMap数据库进行药物重定位的可视化分析。通过实战演示，从差异基因列表准备、CMap查询参数设置，到结果筛选与高级可视化（如热图与OncoPrint风格图），系统讲解了从数据到洞察的全流程，并提供了关键的解读与验证指南，帮助研究者高效挖掘老药新用的潜力。
Overleaf+EndNote+BibTeX：手把手搞定Elsevier期刊投稿的参考文献格式（避坑指南）
本文详细介绍了如何利用Overleaf、EndNote和BibTeX三大工具无缝协作，解决Elsevier期刊投稿中的参考文献格式问题。从工具链配置、文献库导出、BibTeX文件优化到Overleaf集成与编译，提供全流程指南和常见问题解决方案，帮助学术新手高效完成Elsevier期刊投稿。
如何对TBSS的结果进行统计学的分析，已完成置换检验，如何在最终的TBSS输出结果提取除具体值及如何做进一步相关性分析？？
🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值。
Cadence PSpice 仿真6：反向放大器傅里叶仿真（FFT，谐波分析）实战图文教程
总谐波失真（THD）指音频信号源通过功率放大器时，由于非线性元件所引起的输出信号比输入信号多出的额外谐波成分。比如理想运放输出为5V 1Khz的正玄波时，实际输出的信号按照傅里叶展开后不但含有5V 1KHZ的分量，还有1V 2KHZ的分量，那么多出来的1V的分量就是二次谐波，二次谐波失真系数就是20%，由于任意1个波形按照傅里叶展开是可以展开到n次的，所以除了二次谐波外，输出的信号还有3,4,5……n次谐波，随着n的变大谐波的分量会变小，总谐波失真系数就是所有谐波分量和1次谐波（基波）的比值。Cadence
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2195
扫一扫
